
# импорт библиотек

import pandas as pd
import numpy as np
import seaborn as sns
import plotly.express as px
import matplotlib.pyplot as plt
import plotly.graph_objects as go
import plotly.subplots as psub
import folium
from folium import Map, Marker, GeoJson, Choropleth, FeatureGroup
from folium.features import CustomIcon, GeoJsonTooltip
from folium.plugins import MarkerCluster
import requests
from branca.colormap import linear
import xml.etree.ElementTree as ET
!pip install gpxpy
import urllib.request
import gpxpy

Requirement already satisfied: gpxpy in c:\users\bobri\anaconda3\lib\site-packages (1.6.2)


df = pd.read_csv('moscow_places.csv')
df.sample(n=5, random_state=15)


print(df.info())

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 8406 entries, 0 to 8405
Data columns (total 14 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   name               8406 non-null   object 
 1   category           8406 non-null   object 
 2   address            8406 non-null   object 
 3   district           8406 non-null   object 
 4   hours              7870 non-null   object 
 5   lat                8406 non-null   float64
 6   lng                8406 non-null   float64
 7   rating             8406 non-null   float64
 8   price              3315 non-null   object 
 9   avg_bill           3816 non-null   object 
 10  middle_avg_bill    3149 non-null   float64
 11  middle_coffee_cup  535 non-null    float64
 12  chain              8406 non-null   int64  
 13  seats              4795 non-null   float64
dtypes: float64(6), int64(1), object(7)
memory usage: 919.5+ KB
None


print('Количество полных дубликатов записей: ', df.duplicated().sum())

Количество полных дубликатов записей:  0


print('Количество дубликатов по названию/широте/долготе: ', df.duplicated(subset=['name','lat','lng']).sum())
print('Количество дубликатов по названию/адресу: ', df.duplicated(subset=['name','address']).sum())

Количество дубликатов по названию/широте/долготе:  0
Количество дубликатов по названию/адресу:  0


# Приведение строк к capital case - убираем пробелы, переводим все в прописной формат, затем делаем 1ю букву каждого слова заглавной
df['name'] = df['name'].str.strip().str.lower().str.title()

display(df[['name']].sample(10))


df['chain'] = df['chain'].astype('boolean')

# Предварительно заменим пропущенные значения на 0
df['seats'] = df['seats'].fillna(0)
df['seats'] = df['seats'].astype('int64')

print(df.info())

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 8406 entries, 0 to 8405
Data columns (total 14 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   name               8406 non-null   object 
 1   category           8406 non-null   object 
 2   address            8406 non-null   object 
 3   district           8406 non-null   object 
 4   hours              7870 non-null   object 
 5   lat                8406 non-null   float64
 6   lng                8406 non-null   float64
 7   rating             8406 non-null   float64
 8   price              3315 non-null   object 
 9   avg_bill           3816 non-null   object 
 10  middle_avg_bill    3149 non-null   float64
 11  middle_coffee_cup  535 non-null    float64
 12  chain              8406 non-null   boolean
 13  seats              8406 non-null   int64  
dtypes: boolean(1), float64(5), int64(1), object(7)
memory usage: 870.3+ KB
None


# выводим названия сетей, количество точек и сумму значений chain - для значений True они будут складываться, Fa;se = 0
chain_check = (df.groupby('name')
               .agg(
                   records=('name', 'count'),
                   sum_chain=('chain', 'sum')
               )
               .reset_index()
              )
display(chain_check)


fake_chain = chain_check[(chain_check['records']==1) & (chain_check['sum_chain']>0)]
display(fake_chain.head())
print(fake_chain.shape[0])

59


# Установка значения chain в False для строк из df, где названия name совпадают с именами из fake_single
df.loc[df['name'].isin(fake_chain['name']), 'chain'] = False

print(df['chain'].unique())

<BooleanArray>
[False, True]
Length: 2, dtype: boolean


display(chain_check[(chain_check['records']>1) & (chain_check['sum_chain']==0)].sort_values(by='records', ascending=False))


chain_less = (
    chain_check[(chain_check['records']>1)
    & (chain_check['sum_chain']<chain_check['records'])
    & (chain_check['sum_chain']>0)]
)

display(chain_less)


# Установка значения chain в True для строк из df, где названия name совпадают с именами из chain_less
# за исключением Кафе-Столовая
df.loc[(df['name'].isin(chain_less['name'])) & (df['name']!='Кафе-Столовая'), 'chain'] = True


display(df.query('name == "Abc Coffee Roasters"', engine='python'))


display(df.query('chain == True', engine='python').groupby('name').agg(outlets=('name', 'count')).sort_values(by='outlets', ascending=False))


# посмоттрим, какие значения принимает колонка price
display(df['price'].unique())

array([nan, 'выше среднего', 'средние', 'высокие', 'низкие'], dtype=object)


# Сохранение ценовой категории для каждой сети
chain_price = ( 
    df.query('chain == True', engine='python')
    .sort_values(by='name', ascending=False)
    .groupby('name')
    .agg({'price': 'first'})
    .dropna(subset=['price'])
)

# Отображение результата chain_price
display(chain_price)

# Преобразование chain_price в словарь для удобного доступа
price_mapping = chain_price['price'].to_dict()

# Заполнение пропущенных значений в столбце 'price' на основе словаря
df['price'] = df.apply(lambda row: price_mapping[row['name']] if pd.isna(row['price']) and row['name'] in price_mapping else row['price'], axis=1)


# Отображение данных обновленного DataFrame
print(df.info())

# посмоттрим, какие значения принимает колонка price
display(df['price'].unique())

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 8406 entries, 0 to 8405
Data columns (total 14 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   name               8406 non-null   object 
 1   category           8406 non-null   object 
 2   address            8406 non-null   object 
 3   district           8406 non-null   object 
 4   hours              7870 non-null   object 
 5   lat                8406 non-null   float64
 6   lng                8406 non-null   float64
 7   rating             8406 non-null   float64
 8   price              4449 non-null   object 
 9   avg_bill           3816 non-null   object 
 10  middle_avg_bill    3149 non-null   float64
 11  middle_coffee_cup  535 non-null    float64
 12  chain              8406 non-null   boolean
 13  seats              8406 non-null   int64  
dtypes: boolean(1), float64(5), int64(1), object(7)
memory usage: 870.3+ KB
None

array([nan, 'выше среднего', 'средние', 'низкие', 'высокие'], dtype=object)


# Преобразование категорий в числовые значения
category_mapping = {'низкие': 1, 'средние': 2, 'выше среднего': 3, 'высокие': 4}
df['price_category_numeric'] = df['price'].map(category_mapping)

# Расчет корреляции
correlation = df['middle_avg_bill'].corr(df['price_category_numeric'])
print("Корреляция между средним чеком и ценовой категорией:", correlation)

Корреляция между средним чеком и ценовой категорией: 0.6520915695430131


df.info()
df['price'].unique()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 8406 entries, 0 to 8405
Data columns (total 15 columns):
 #   Column                  Non-Null Count  Dtype  
---  ------                  --------------  -----  
 0   name                    8406 non-null   object 
 1   category                8406 non-null   object 
 2   address                 8406 non-null   object 
 3   district                8406 non-null   object 
 4   hours                   7870 non-null   object 
 5   lat                     8406 non-null   float64
 6   lng                     8406 non-null   float64
 7   rating                  8406 non-null   float64
 8   price                   4449 non-null   object 
 9   avg_bill                3816 non-null   object 
 10  middle_avg_bill         3149 non-null   float64
 11  middle_coffee_cup       535 non-null    float64
 12  chain                   8406 non-null   boolean
 13  seats                   8406 non-null   int64  
 14  price_category_numeric  4449 non-null   float64
dtypes: boolean(1), float64(6), int64(1), object(7)
memory usage: 936.0+ KB

array([nan, 'выше среднего', 'средние', 'низкие', 'высокие'], dtype=object)


# Преобразование категорий в числовые значения
category_mapping_price = {'выше среднего':3, 'средние':2, 'высокие':4, 'низкие':1}
df['price_category_numeric'] = df['price'].map(category_mapping_price)

category_mapping_category = {'кафе':1, 'ресторан':2, 'кофейня':3, 'пиццерия':4, 'бар,паб':5,
       'быстрое питание':6, 'булочная':7, 'столовая':8}
df['category_numeric'] = df['category'].map(category_mapping_category)

category_mapping_district = {'Северный административный округ':1,
       'Северо-Восточный административный округ':2,
       'Северо-Западный административный округ':3,
       'Западный административный округ':4,
       'Центральный административный округ':5,
       'Восточный административный округ':6,
       'Юго-Восточный административный округ':7,
       'Южный административный округ':8,
       'Юго-Западный административный округ':9}
df['district_numeric'] = df['district'].map(category_mapping_district)

# Расчет корреляции
correlation = df['middle_avg_bill'].corr(df['price_category_numeric'])
print("Корреляция между средним чеком и ценовой категорией:", correlation)

Корреляция между средним чеком и ценовой категорией: 0.6520915695430131


display(df.head())


# посмотрим на все корреляции визуально

# Выбор только числовых столбцов
numeric_df = df.select_dtypes(include=['number'])

# Вычисление корреляционной матрицы
corr_matrix = numeric_df.corr()

# Вывод корреляционной матрицы
print(corr_matrix)


# Создание тепловой карты корреляций
fig = go.Figure(data=go.Heatmap(
    z=corr_matrix.values,
    x=corr_matrix.columns,
    y=corr_matrix.index,
    colorscale='Viridis'
))

# Добавление заголовка и меток осей
fig.update_layout(
    title='Корреляционная матрица',
    xaxis_nticks=36,
    yaxis_nticks=36
)

# Отображение графика
fig.show()

                             lat       lng    rating  middle_avg_bill  \
lat                     1.000000 -0.129464  0.028340        -0.006489   
lng                    -0.129464  1.000000 -0.017109        -0.052662   
rating                  0.028340 -0.017109  1.000000         0.183238   
middle_avg_bill        -0.006489 -0.052662  0.183238         1.000000   
middle_coffee_cup      -0.001345 -0.038006  0.100447              NaN   
seats                  -0.017862 -0.089828  0.027411         0.083582   
price_category_numeric -0.001433 -0.058994  0.227639         0.652092   
category_numeric        0.038970 -0.002313  0.045263        -0.134645   
district_numeric       -0.801625  0.376403 -0.028665        -0.021425   

                        middle_coffee_cup     seats  price_category_numeric  \
lat                             -0.001345 -0.017862               -0.001433   
lng                             -0.038006 -0.089828               -0.058994   
rating                           0.100447  0.027411                0.227639   
middle_avg_bill                       NaN  0.083582                0.652092   
middle_coffee_cup                1.000000  0.008485                0.472249   
seats                            0.008485  1.000000                0.078053   
price_category_numeric           0.472249  0.078053                1.000000   
category_numeric                 0.053311  0.009494               -0.050837   
district_numeric                 0.015844 -0.037175               -0.018675   

                        category_numeric  district_numeric  
lat                             0.038970         -0.801625  
lng                            -0.002313          0.376403  
rating                          0.045263         -0.028665  
middle_avg_bill                -0.134645         -0.021425  
middle_coffee_cup               0.053311          0.015844  
seats                           0.009494         -0.037175  
price_category_numeric         -0.050837         -0.018675  
category_numeric                1.000000         -0.027800  
district_numeric               -0.027800          1.000000


# Посмотрим на 25-50-75 персентили средних чеков каждой ценовой категории
for i in df['price'].unique():
    print(i)
    print(df.query('price == @i', engine='python')['middle_avg_bill'].quantile(0.25))
    print(df.query('price == @i', engine='python')['middle_avg_bill'].quantile(0.50))
    print(df.query('price == @i', engine='python')['middle_avg_bill'].quantile(0.75))
    print('------------------- Next part -----------------------------')

nan
nan
nan
nan
------------------- Next part -----------------------------
выше среднего
1250.0
1250.0
1500.0
------------------- Next part -----------------------------
средние
350.0
500.0
800.0
------------------- Next part -----------------------------
низкие
150.0
190.0
300.0
------------------- Next part -----------------------------
высокие
1750.0
2000.0
2500.0
------------------- Next part -----------------------------


no_price = df.loc[df['price'].isna() & ~df['middle_avg_bill'].isna()]
display(no_price)


# Создание диапазонов для каждой категории по границам 75го персентиля
bins = [0, 300, 800, 1500, np.inf]
labels = ['низкие', 'средние', 'выше среднего', 'высокие']

# Присвоение ценовой категории на основе среднего чека
no_price['calculated_price'] = pd.cut(no_price['middle_avg_bill'], bins=bins, labels=labels, right=True)

df.loc[no_price.index, 'price'] = no_price['calculated_price']

# # Удаление временной колонки
df.drop(columns=['price_category_numeric'], inplace=True)
# # Посмотрим, сколько теперь пропущенных записей 
print(df.info())

# посмоттрим, какие значения принимает колонка price
display(df['price'].unique())

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 8406 entries, 0 to 8405
Data columns (total 16 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   name               8406 non-null   object 
 1   category           8406 non-null   object 
 2   address            8406 non-null   object 
 3   district           8406 non-null   object 
 4   hours              7870 non-null   object 
 5   lat                8406 non-null   float64
 6   lng                8406 non-null   float64
 7   rating             8406 non-null   float64
 8   price              4710 non-null   object 
 9   avg_bill           3816 non-null   object 
 10  middle_avg_bill    3149 non-null   float64
 11  middle_coffee_cup  535 non-null    float64
 12  chain              8406 non-null   boolean
 13  seats              8406 non-null   int64  
 14  category_numeric   8406 non-null   int64  
 15  district_numeric   8406 non-null   int64  
dtypes: boolean(1), float64(5), int64(3), object(7)
memory usage: 1001.6+ KB
None

C:\Users\bobri\AppData\Local\Temp\ipykernel_7148\554917192.py:6: SettingWithCopyWarning:


A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy

array([nan, 'выше среднего', 'средние', 'низкие', 'высокие'], dtype=object)


# посмотрим, какие уникальные значения есть в avg_bill (ограничим выдачу 50 значений)
print(df['avg_bill'].nunique())
print(df['avg_bill'].unique()[:50])

897
[nan 'Средний счёт:1500–1600 ₽' 'Средний счёт:от 1000 ₽'
 'Цена чашки капучино:155–185 ₽' 'Средний счёт:400–600 ₽'
 'Средний счёт:199 ₽' 'Средний счёт:200–300 ₽' 'Средний счёт:от 500 ₽'
 'Средний счёт:1000–1200 ₽' 'Цена бокала пива:250–350 ₽'
 'Средний счёт:330 ₽' 'Средний счёт:1500 ₽' 'Средний счёт:300–500 ₽'
 'Средний счёт:140–350 ₽' 'Средний счёт:350–500 ₽'
 'Средний счёт:300–1500 ₽' 'Средний счёт:от 240 ₽'
 'Средний счёт:200–250 ₽' 'Средний счёт:328 ₽' 'Средний счёт:300 ₽'
 'Средний счёт:от 345 ₽' 'Средний счёт:60–400 ₽' 'Средний счёт:900 ₽'
 'Средний счёт:500–800 ₽' 'Средний счёт:500–1000 ₽'
 'Средний счёт:600–700 ₽' 'Цена бокала пива:120–350 ₽'
 'Средний счёт:1000–1500 ₽' 'Средний счёт:1500–2000 ₽'
 'Цена чашки капучино:150–190 ₽' 'Средний счёт:2000–2500 ₽'
 'Средний счёт:600 ₽' 'Средний счёт:450 ₽' 'Цена чашки капучино:120–170 ₽'
 'Средний счёт:100–500 ₽' 'Средний счёт:от 850 ₽'
 'Цена чашки капучино:100–200 ₽' 'Средний счёт:250–600 ₽'
 'Средний счёт:2100 ₽' 'Средний счёт:349 ₽' 'Цена бокала пива:90–230 ₽'
 'Цена чашки капучино:150–210 ₽' 'Средний счёт:150–250 ₽'
 'Средний счёт:от 120 ₽' 'Цена чашки капучино:80–160 ₽'
 'Средний счёт:269 ₽' 'Средний счёт:600–2000 ₽' 'Средний счёт:700–800 ₽'
 'Средний счёт:500–700 ₽' 'Средний счёт:300–2000 ₽']


# Выбор строк, где 'avg_bill' содержит 'Средний счет' и 'middle_avg_bill' имеет NaN
result = df[df['avg_bill'].str.contains("Средний счет") & df['middle_avg_bill'].isna()]
display(result)

# Выбор строк, где 'avg_bill' содержит 'капучино' и 'middle_coffee_cup' имеет NaN
result = df[df['avg_bill'].str.contains("капучино") & df['middle_coffee_cup'].isna()]
display(result)


# выведем несколько примеров данных из колонки address

print(df[['address']].head(10))

                                   address
0               Москва, улица Дыбенко, 7/1
1       Москва, улица Дыбенко, 36, корп. 1
2           Москва, Клязьминская улица, 15
3      Москва, улица Маршала Федоренко, 12
4          Москва, Правобережная улица, 1Б
5             Москва, Ижорская улица, вл8Б
6    Москва, Клязьминская улица, 9, стр. 3
7    Москва, Клязьминская улица, 9, стр. 3
8  Москва, Дмитровское шоссе, 107, корп. 4
9              Москва, Ангарская улица, 39


df['street'] = df['address'].apply(lambda x: x.split(', ')[1])

display(df.sample(5))


nonstop = df[df['hours'].str.contains("дневно") & df['hours'].str.contains("суточн")]
display(nonstop)


# Cоздадим столбец is_24_7, используя метод isin()
df['is_24_7'] = df.index.isin(nonstop.index)

# А прочим строкам присвоим False
df.loc[~df.index.isin(nonstop.index), 'is_24_7'] = False

display(df.sample(10))


categories = df.groupby('category').agg({'name':'count'}).sort_values(by='name', ascending=True)

# Вычисление общего количества точек
total_counts = categories['name'].sum()

# Вычисление процента для каждой категории
percentages = categories['name'] / total_counts * 100

# Добавление горизонтальных столбцов на график
fig = go.Figure()
fig.add_trace(go.Bar(
    x=categories['name'],
    y=categories.index,
    orientation='h',  # Горизонтальная ориентация
    marker=dict(color='indianred'),  # Цвет столбцов
    name='Количество точек'
))

# Добавление текста с процентными значениями на график
for i, (count, percentage) in enumerate(zip(categories['name'], percentages)):
    fig.add_annotation(
        x=count + 70,  # Положение текста на графике (немного правее конца столбца)
        y=categories.index[i],  # Положение текста по вертикали (на уровне соответствующей категории)
        text=f'{percentage:.1f}%',  # Форматированный текст с процентом
        showarrow=False,  # Без стрелки
        font=dict(color='black', size=12)  # Цвет и размер текста
    )

# Настройка макета
fig.update_layout(
    title={
        'text': 'Количество точек по категориям заведения с процентами от общего их числа',
        'x': 0.5,  # Расположение заголовка (0: левый край, 0.5: центр, 1: правый край)
        'xanchor': 'center',  # Анкор заголовка (соответствует расположению)
        'yanchor': 'middle'  # Анкор заголовка по вертикали
    },
    xaxis=dict(title='Количество точек'),  # Настройка заголовка оси X
    yaxis=dict(title='Категория')  # Настройка заголовка оси Y
)

# Показать график
fig.show()


# seat - заменим обратно 0 на NaN, для того, чтобы верно посчитать среднее количество

# Заменяем 0 на NaN и посмотрим на распределение значений
df['seats'].replace(0, np.nan, inplace=True)

# Посмотрим на статистику
print(df['seats'].describe())

# Создание гистограммы
histogram = go.Histogram(x=df['seats'], nbinsx=100)

# Создание макета графика
layout = go.Layout(
    title={
    'text':'Распределение количества посадочных мест',
    'x': 0.5,  # Расположение заголовка (0: левый край, 0.5: центр, 1: правый край)
    'xanchor': 'center',
    'yanchor': 'middle'
    },
    xaxis=dict(title='Количество мест'),
    yaxis=dict(title='Частота')
    
        )

# Создание фигуры
fig = go.Figure(data=[histogram], layout=layout)

# Отображение графика
fig.show()

count    4659.000000
mean      111.586607
std       123.188197
min         1.000000
25%        40.000000
50%        79.000000
75%       143.000000
max      1288.000000
Name: seats, dtype: float64


# Посчитаем 99й персентиль и выведем заведения, число мест в которых его превышает

seats_99_pct = df['seats'].quantile(0.99)
print(seats_99_pct)
places_99_pct = df.query('seats > @seats_99_pct',engine='python').sort_values(by='seats', ascending=False)
display(places_99_pct[['name','category','address','seats']])

625.0


# сгруппируем данные по улице и количеству мест 
grouped_df = df.groupby(['street', 'seats']).size().reset_index(name='count').sort_values(by='seats', ascending=False)
display(grouped_df.head(20))


df.query('street=="Ленинградский проспект" & seats==625', engine='python')


print(
'Записей с количеством посадочных мест >= 625: ',
  df.query('seats>=625', engine='python').shape[0],
    ', что составляет ',
    round(df.query('seats>=625', engine='python').shape[0] * 100 / df.shape[0], 2),
    ' % от общего количества записей в базе'
)
print('\n')
print(df.info())

Записей с количеством посадочных мест >= 625:  53 , что составляет  0.63  % от общего количества записей в базе


<class 'pandas.core.frame.DataFrame'>
RangeIndex: 8406 entries, 0 to 8405
Data columns (total 18 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   name               8406 non-null   object 
 1   category           8406 non-null   object 
 2   address            8406 non-null   object 
 3   district           8406 non-null   object 
 4   hours              7870 non-null   object 
 5   lat                8406 non-null   float64
 6   lng                8406 non-null   float64
 7   rating             8406 non-null   float64
 8   price              4710 non-null   object 
 9   avg_bill           3816 non-null   object 
 10  middle_avg_bill    3149 non-null   float64
 11  middle_coffee_cup  535 non-null    float64
 12  chain              8406 non-null   boolean
 13  seats              4659 non-null   float64
 14  category_numeric   8406 non-null   int64  
 15  district_numeric   8406 non-null   int64  
 16  street             8406 non-null   object 
 17  is_24_7            8406 non-null   bool   
dtypes: bool(1), boolean(1), float64(6), int64(2), object(8)
memory usage: 1.1+ MB
None


# удалим записи и выведем новую гистограмму распределения

df = df.query('seats < 625 | seats.isna()', engine='python').reset_index()

# Посморим на статистику
print(df['seats'].describe())

# Создание гистограммы
histogram = go.Histogram(x=df['seats'], nbinsx=100)

# Создание макета графика
layout = go.Layout(
    title={
    'text':'Распределение количества посадочных мест',
    'x': 0.5,  # Расположение заголовка (0: левый край, 0.5: центр, 1: правый край)
    'xanchor': 'center',
    'yanchor': 'middle'
    },
    xaxis=dict(title='Количество мест'),
    yaxis=dict(title='Частота')
           )

# Создание фигуры
fig = go.Figure(data=[histogram], layout=layout)

# Отображение графика
fig.show()

count    4606.000000
mean      103.386018
std        92.622193
min         1.000000
25%        40.000000
50%        76.000000
75%       140.000000
max       600.000000
Name: seats, dtype: float64


# пройдем в цикле по уникальным названиям категорий и построим для каждой гистограмму распределения мест
categories =  df['category'].unique()
fig = go.Figure()

for category in categories:
    fig.add_trace(go.Box(
        y=df[df['category'] == category]['seats'],
        name=category
    ))

# Обновление макета
fig.update_layout(
    title='Распределение количества посадочных мест по категориям',
    xaxis=dict(title='Категория'),
    yaxis=dict(title='Количество мест'),
    title_x=0.5  # Центрирование заголовка
)

# Показать график
fig.show()


medians = df.groupby('category').agg(median=('seats', 'median')).reset_index().sort_values(by='median', ascending=False)
display(medians)

# Создание объекта Bar для построения барплота
barplot = go.Bar(
    x=medians['category'],  # Категории по x
    y=medians['median'],    # Медиана по y
    marker_color='lightskyblue'  # Цвет столбцов
)

# Создание объекта Figure и добавление барплота
fig = go.Figure(barplot)

# Обновление макета
fig.update_layout(
    title='Медианное количество посадочных мест по категориям',
    xaxis=dict(title='Категория'),
    yaxis=dict(title='Медианное количество мест'),
    title_x=0.5
)

# Показать график
fig.show()


chain = df.query('chain == True', engine='python').shape[0]
single = df.query('chain == False', engine='python').shape[0]
brands = df.query('chain == True', engine='python')['name'].nunique()

print('Сетевых точек: ', chain, ', одиночных точек: ', single, ', а сетей всего - ', brands)

Сетевых точек:  3156 , одиночных точек:  5197 , а сетей всего -  688


values = [chain, single]
labels = ['Сетевых точек', 'Oдиночных точек']

# Создание объекта Pie для круговой диаграммы
pie_chart = go.Pie(
    labels=labels,  # Метки для секторов
    values=values,  # Значения для секторов
    hole=0.3,  # Размер центрального отверстия (0 - полная круговая диаграмма)
    showlegend=False, # не показываем легенду
    textinfo='percent+label',  # Отображаем проценты и метки
    marker=dict(colors=['lightskyblue', 'lightgreen'])
)

# Создание объекта Layout с заголовком
layout = go.Layout(
    title='Распределение количества точек сетевых и одиночных заведений в Москве',
    title_x=0.5
)

# Создание объекта Figure с круговой диаграммой и макетом
fig = go.Figure(data=[pie_chart], layout=layout)

# Показать диаграмму
fig.show()


# посчитаем количество точек по категориям и количество сетевых
chains_by_category = df.query('chain==True', engine='python').groupby('category').agg(chain_outlets=('address','count')).reset_index()
total_outlets = df.groupby('category').agg(chain_outlets=('address','count')).reset_index()

# Объединение двух DataFrame по категориям
chains_by_category = (chains_by_category.merge(total_outlets, how='inner', on='category')
                      .sort_values(by='chain_outlets_y', ascending=False).reset_index(drop=True)
                     )
# Переименование столбцов
chains_by_category.columns = ['category', 'chain_outlets', 'total_outlets']
chains_by_category['share'] = round(chains_by_category['chain_outlets'] * 100 / chains_by_category['total_outlets'], 2)
display(chains_by_category)


# Создание столбчатой диаграммы
fig = go.Figure()

# Добавление столбцов для total_outlets
fig.add_trace(go.Bar(
    x=chains_by_category['category'],
    y=chains_by_category['total_outlets'],
    orientation='v',
    marker_color='lightskyblue',
    name='Общее количество точек'
))

# Добавление столбцов для chain_outlets
fig.add_trace(go.Bar(
    x=chains_by_category['category'],
    y=chains_by_category['chain_outlets'],
    orientation='v',
    marker_color='orange',
    name='Из них - сетевых',
    text=chains_by_category['share'].astype(str) + '%',  # Добавляем проценты к тексту над столбцами
    textposition='outside'  # Размещаем текст снаружи столбца
))

# Обновление макета
fig.update_layout(
    title='Количество точек по категориям: соотношение сетевых точек и общего их числа',
    title_x=0.5,
    xaxis=dict(title='Категория'),
    yaxis=dict(title='Количество точек'),
    barmode='group',  # Группировка столбцов
    legend=dict(x=1, y=1)  # Размещаем легенду справа от графика
)

# Показать график
fig.show()


top_15 = (df.query('chain == True', engine='python').groupby('name')
          .agg(
              outlets=('address','count'),
              category=('category','first')
          )
          .sort_values(by='outlets', ascending=False)
          .reset_index()
         )
top_15 = top_15.head(15)
display(top_15)


import plotly.express as px

# Группировка данных по категориям и вычисление суммы точек в каждой категории
category_totals = top_15.groupby('category')['outlets'].sum().sort_values(ascending=False)

# Определение порядка категорий
category_order = category_totals.index

# Сортировка категорий в DataFrame top_15 в обратном порядке
category_order_reversed = category_order[::-1]

# Сортировка категорий в DataFrame top_15 в соответствии с порядком category_order_reversed
top_15_sorted = top_15.set_index('category').loc[category_order_reversed].reset_index()

# Сортировка по 'outlets' внутри каждой 'category', сохраняя порядок категорий
sorted_df = top_15_sorted.groupby('category', sort=False).apply(lambda x: x.sort_values(by='outlets')).reset_index(drop=True)

# Создание графика
fig = px.bar(sorted_df, 
             x='outlets',  # Ось x - количество точек
             y='name',      # Ось y - названия заведений
             color='category',  # Кодирование цвета по типу заведения
             orientation='h',  # Горизонтальное расположение столбцов
             title='Топ-15 сетевых заведений по количеству точек в Москве',
             labels={'outlets': 'Количество точек', 'name': '', 'category': ''},
            )

# Обновление макета для центрирования заголовка
fig.update_layout(title_x=0.5)

# Показать график
fig.show()


# Рассчитаем средние рейтинги для кадой категории заведений.
# Поскольку шкала рейтингов фиксирована 0-5 и не может иметь выбросов, будем использовать среднее

avg_rating = (
    df.groupby('category')
    .agg(avg_rating=('rating','mean'))
    .sort_values(by='avg_rating', ascending=True)
    .reset_index()
)

display(avg_rating)

# Создание графика
fig = px.bar(avg_rating, 
             x='avg_rating',  # Ось x - значение среднего рейтинга
             y='category',      # Ось y - названия категорий
             orientation='h',  # Горизонтальное расположение столбцов
             title='Средний рейтинг заведений по категориям',
             labels={'avg_rating': 'Средний рейтинг', 'category':''},
             color_discrete_sequence=['Teal']  # Установите цвет столбцов
            )

# Обновление макета для центрирования заголовка и ограничения диапазона оси X
fig.update_layout(
    title_x=0.5,
    xaxis=dict(range=[4, 4.4])  # Установите диапазон оси X здесь
)
# Показать график
fig.show()


# подготовим датафрейм со средними значениями рейтингов заветений по районам
avg_rating_district = ( df.groupby('district')
                       .agg(district_rating=('rating','mean'))
                       .reset_index()
                      )
display(avg_rating_district)


# Преобразуем данные о районе и среднем рейтинге в словарь для быстрого поиска
rating_dict = dict(zip(avg_rating_district['district'], avg_rating_district['district_rating']))

moscow_lat, moscow_lng = 55.751244, 37.618423
state_geo_url = 'https://code.s3.yandex.net/data-analyst/admin_level_geomap.geojson'

response = requests.get(state_geo_url)
state_geo = response.json()

for feature in state_geo['features']:
    district_name = feature['properties']['name']
    feature['properties']['rating'] = rating_dict.get(district_name, 'Нет данных')

m = folium.Map(location=[moscow_lat, moscow_lng], zoom_start=10)

# сначала создаем FeatureGroup для хороплета и данных JSON
districts = FeatureGroup(name='Районы и средний рейтинг', overlay=True, control=True, show=True)

folium.Choropleth(
    geo_data=state_geo,
    name="choropleth",
    data=avg_rating_district,
    columns=["district", "district_rating"],
    key_on="feature.properties.name",  # уточнение пути к полю, по котторому хороплет сопоставляет гео данные и данные из ДФ
    fill_color="YlOrRd",
    fill_opacity=0.5,
    line_opacity=0.1,
    # legend_name="Средний чек в заведениях района Москвы", - не отображается вместе с цветовой шкалой, ее делаем отдельно ниже
).geojson.add_to(districts) # важно поместить хороплет в FeatureGroup через .geojson, иначе не работает

# выводим данные о названии района и среднем чеке в поп-апе
folium.GeoJson(
    state_geo,
        style_function=lambda feature: {
        'fillColor': 'transparent',
        'color': 'transparent',
        'weight': 0
    },
    name="geojson",
    tooltip=folium.features.GeoJsonTooltip(
        fields=['name', 'rating'],
        aliases=['Район: ', 'Средний рейтинг: '],
        localize=True
    ),
    popup=folium.GeoJsonPopup(
        fields=['name', 'rating'],
        aliases=['Район: ', 'Средний рейтинг: '],
        localize=True
    )
).add_to(districts) # помещаем в тот же слой для управления

# добавляем слой с районами и подписями на карту
districts.add_to(m)

# Добавляем элемент управления слоями и указываем позицию
folium.LayerControl(position='topleft').add_to(m)
folium.TileLayer('Cartodb Positron',overlay=False, show=False, control = False).add_to(m)

# вариант добавления градиентной шкалы вручную - она не отображется, если хороплет добавлять в слой через geojson
colormap = linear.YlOrRd_09.scale(avg_rating_district['district_rating'].min(), avg_rating_district['district_rating'].max())
colormap = colormap.to_step(n=10)
colormap.caption = 'Средний рейтинг заведений по районам'
colormap.add_to(m)

# Создание HTML заголовка, в Folium не нашел готовый арибут title, как на графиках
# еще бы здорово было убрать вертикальную полосу прокрутки, сдвинуть заголовок вниз на карту и шкалу ниже опустить,
# но я потратил 2 дня на поиски решения без особого успеха
title_html = '''
             <div style="position: relative; width: 100%; background-color: transparent; z-index: 1000; text-align: center;">
                 <h3 style="margin: 0; padding: 10px; font: calibri, font-size: 20px;">
                 <b>Средний рейтинг заведений по районам Москвы</b></h3>
             </div>
             '''

# Добавление заголовка на карту
m.get_root().html.add_child(folium.Element(title_html))

# выводим карту
m


# moscow_lat - широта центра Москвы, moscow_lng - долгота центра Москвы
moscow_lat, moscow_lng = 55.751244, 37.618423

# создаём карту Москвы
m = Map(location=[moscow_lat, moscow_lng], zoom_start=10, tiles="Cartodb Positron")
# создаём пустой кластер, добавляем его на карту
marker_cluster = MarkerCluster().add_to(m)

# пишем функцию, которая принимает строку датафрейма,
# создаёт маркер в текущей точке и добавляет его в кластер marker_cluster
def create_clusters(row):
    # Создаем HTML-контент для pop-up
    popup_html = f"""
    <b>{row['name']}</b><br>
    {row['rating']} &#9733;<br>
    {row['category']}
    """
    
    # Создаем и добавляем маркер к кластеру
    Marker(
        [row['lat'], row['lng']],
        popup=folium.Popup(popup_html, max_width=300)
    ).add_to(marker_cluster)
    
# применяем функцию create_clusters() к каждой строке датафрейма
df.apply(create_clusters, axis=1)

# Создание HTML заголовка, в Folium не нашел готовый метод, как на графиках
title_html = '''
             <div style="position: relative; width: 100%; background-color: transparent; z-index: 1000; text-align: center;">
                 <h3 style="margin: 0; padding: 10px; font: calibri, font-size: 20px;">
                 <b>Расположение всех заведений из датасета</b></h3>
             </div>
             '''

# Добавление заголовка на карту
m.get_root().html.add_child(folium.Element(title_html))

# выводим карту
m


# отбираем топ-15 улиц по количеству заведений 
top_streets = (df.groupby('street')
               .agg(count = ('name','count'))
               .sort_values(by='count', ascending=False)
               .reset_index().head(15)
              )

display(top_streets)

# Подсчет количества заведений каждой категории на каждой из этих топ-15 улиц
categories_by_street_list = []

for street in top_streets['street']:
    row = (df.query('street == @street', engine='python')
           .groupby('category')
           .agg(c_count=('name', 'count'))
           .reset_index())
    row['street'] = street  # Добавляем информацию об улице
    categories_by_street_list.append(row)

categories_by_street = pd.concat(categories_by_street_list).reset_index(drop=True)

# переводим в широкий формат
categories_by_street = categories_by_street.pivot_table(index='street', columns='category', values='c_count').reset_index()

display(categories_by_street)


# Заполнение пропущенных значений нулями
categories_by_street = categories_by_street.fillna(0)

# Вычисление суммы заведений для каждой улицы
categories_by_street['total'] = categories_by_street.iloc[:, 1:].sum(axis=1)

# Сортировка по убыванию суммы заведений
categories_by_street = categories_by_street.sort_values(by='total', ascending=True)

# Удаление столбца 'total'
categories_by_street = categories_by_street.drop(columns=['total'])

# Преобразование данных для Plotly в длинный формат
df_melted = categories_by_street.melt(id_vars='street', var_name='category', value_name='count').fillna(0)

# Создание графика
fig = px.bar(df_melted, 
             x='count', 
             y='street', 
             color='category', 
             orientation='h',
             title='Количество заведений по категориям на топ-15 улицах',
             labels={'count': 'Количество заведений', 'street': '', 'category': 'Категория'}
            )

# Обновление макета для центрирования заголовка
fig.update_layout(title_x=0.5)

# Показать график
fig.show()


# отбираем улицы по количеству заведений в обратном порядке
low_streets = (df.groupby('street')
               .agg(count = ('name','count'))
               .sort_values(by='count', ascending=True)
               .reset_index()
              )

# оставим только улицы с 1 заведением
low_streets = low_streets.query('count==1', engine='python').reset_index(drop=True)
print('Количество улиц с единственным на них заведением: ', low_streets.shape[0])

# возьмем из базы информацю об этих заведениях
df_low = df.loc[df['street'].isin(low_streets['street'])].reset_index(drop=True)
df_low.drop(columns='index', inplace=True)


# и посмотрим на закономерности в разных разрезах

df_low_district = df_low.groupby('district').agg(count =('name','count')).sort_values(by='count', ascending=False).reset_index()
display("В каких районах эти улицы", df_low_district)

df_low_cat = df_low.groupby('category').agg(count =('name','count')).sort_values(by='count', ascending=False).reset_index()
display("Какие категории заведений на этих улицы", df_low_cat)

df_low_is_24_7 = df_low.groupby('is_24_7').agg(count =('name','count')).sort_values(by='count', ascending=False).reset_index()
display("Много ли на них заведений, работающих 24/7", df_low_is_24_7)

df_low_chain = df_low.groupby('chain').agg(count =('name','count')).sort_values(by='count', ascending=False).reset_index()
display("Много ли на них сетевых заведений", df_low_chain)

df_low_rating = df_low['rating'].mean()
display('Средний рейтинг "одиноких" заведений: - ', df_low_rating)

df_low_price = df_low.groupby('price').agg(count =('name','count')).sort_values(by='count', ascending=False).reset_index()
display("Какие ценовые категории заведений там представлены", df_low_price)

df_low_seats = df_low['seats'].mean()
display('Среднее количество мест в "одиноких" заведенях: - ', df_low_seats)

Количество улиц с единственным на них заведением:  458

'В каких районах эти улицы'

'Какие категории заведений на этих улицы'

'Много ли на них заведений, работающих 24/7'

'Много ли на них сетевых заведений'

'Средний рейтинг "одиноких" заведений: - '

4.236681222707423

'Какие ценовые категории заведений там представлены'

'Среднее количество мест в "одиноких" заведенях: - '

61.48


# подготовим датафрейм со медианами значениями средних чеков по районам
avg_bill_district = ( df.groupby('district')
                       .agg(district_bill=('middle_avg_bill','median'))
                       .sort_values(by='district_bill', ascending=False)
                       .reset_index()
                      )
display(avg_bill_district)


# Преобразуем данные о районе и среднем чеке в словарь для быстрого поиска
rating_dict = dict(zip(avg_bill_district['district'], avg_bill_district['district_bill']))

moscow_lat, moscow_lng = 55.751244, 37.618423
state_geo_url = 'https://code.s3.yandex.net/data-analyst/admin_level_geomap.geojson'

response = requests.get(state_geo_url)
state_geo = response.json()

for feature in state_geo['features']:
    district_name = feature['properties']['name']
    feature['properties']['rating'] = rating_dict.get(district_name, 'Нет данных')

m = folium.Map(location=[moscow_lat, moscow_lng], zoom_start=10)

# сначала создаем FeatureGroup для хороплета и данных JSON
districts = FeatureGroup(name='Районы и средний чек', overlay=True, control=True, show=True)

folium.Choropleth(
    geo_data=state_geo,
    name="choropleth",
    data=avg_bill_district,
    columns=["district", "district_bill"],
    key_on="feature.properties.name",  # уточнение пути к полю, по котторому хороплет сопоставляет гео данные и данные из ДФ
    fill_color="YlOrRd",
    fill_opacity=0.5,
    line_opacity=0.1,
    # legend_name="Средний чек в заведениях района Москвы", - не отображается вместе с цветовой шкалой, ее делаем отдельно ниже
).geojson.add_to(districts) # важно поместить хороплет в FeatureGroup через .geojson, иначе не работает

# выводим данные о названии района и среднем чеке в поп-апе
folium.GeoJson(
    state_geo,
        style_function=lambda feature: {
        'fillColor': 'transparent',
        'color': 'transparent',
        'weight': 0
    },
    name="geojson",
    tooltip=folium.features.GeoJsonTooltip(
        fields=['name', 'rating'],
        aliases=['Район: ', 'Средний чек: '],
        localize=True
    ),
    popup=folium.GeoJsonPopup(
        fields=['name', 'rating'],
        aliases=['Район: ', 'Средний чек: '],
        localize=True
    )
).add_to(districts) # помещаем в тот же слой для управления

# добавляем слой с районами и подписями на карту
districts.add_to(m)

# Добавляем элемент управления слоями и указываем позицию
folium.LayerControl(position='topleft').add_to(m)
folium.TileLayer('Cartodb Positron',overlay=False, show=False, control = False).add_to(m)

# вариант добавления градиентной шкалы вручную - она не отображется, если хороплет добавлять в слой через geojson
colormap = linear.YlOrRd_09.scale(avg_bill_district['district_bill'].min(), avg_bill_district['district_bill'].max())
colormap = colormap.to_step(n=10)
colormap.caption = 'Средний чек заведений по районам'
colormap.add_to(m)

# Создание HTML заголовка, в Folium не нашел готовый арибут title, как на графиках
# еще бы здорово было убрать вертикальную полосу прокрутки, сдвинуть заголовок вниз на карту и шкалу ниже опустить,
# но я потратил 2 дня на поиски решения без особого успеха
title_html = '''
             <div style="position: relative; width: 100%; background-color: transparent; z-index: 1000; text-align: center;">
                 <h3 style="margin: 0; padding: 10px; font: calibri, font-size: 20px;">
                 <b>Средние чеки по районам Москвы</b></h3>
             </div>
             '''

# Добавление заголовка на карту
m.get_root().html.add_child(folium.Element(title_html))

# выводим карту
m


overnight_categories = (
    df.query('is_24_7==True', engine='python')
    .groupby('category')
    .agg(count_24_7=('name','count'))
    .sort_values(by='count_24_7', ascending=False)
    .reset_index()
)

total_categories = (
    df.groupby('category')
    .agg(count_total=('name','count'))
    .sort_values(by='count_total', ascending=False)
    .reset_index()
)

merged = overnight_categories.merge(total_categories, how='left', left_on='category', right_on='category')
merged['share'] = round(merged['count_24_7'] * 100 / merged['count_total'], 2)

display(merged.sort_values(by='share', ascending=False))


overnight_district = (
    df.query('is_24_7==True', engine='python')
    .groupby('district')
    .agg(count_24_7=('name','count'))
    .sort_values(by='count_24_7', ascending=False)
    .reset_index()
)

total_district = (
    df.groupby('district')
    .agg(count_total=('name','count'))
    .sort_values(by='count_total', ascending=False)
    .reset_index()
)

merged = overnight_district.merge(total_district, how='left', left_on='district', right_on='district')
merged['share'] = round(merged['count_24_7'] * 100 / merged['count_total'], 2)

display(merged.sort_values(by='share', ascending=False))


worst_rating = df.query('rating < 2', engine='python')
print('Заведений с рейтингом меньше 2: ', worst_rating.shape[0])

Заведений с рейтингом меньше 2:  63


best_rating = df.query('rating == 5', engine='python')
print('Заведений с максимальным рейтингом 5: ', best_rating.shape[0])

Заведений с максимальным рейтингом 5:  105


print('Средний чек худших заведений: ', worst_rating['middle_avg_bill'].median())
print('Средний чек лучших заведений: ', best_rating['middle_avg_bill'].median())

Средний чек худших заведений:  700.0
Средний чек лучших заведений:  500.0


worst_districts = (
    worst_rating.groupby('district')
    .agg(count=('name','count'))
    .sort_values(by='count', ascending=False)
    .reset_index()
        )

display(worst_districts)


best_districts = (
    best_rating.groupby('district')
    .agg(count=('name','count'))
    .sort_values(by='count', ascending=False)
    .reset_index()
        )

display(best_districts)


best_categories = (
    best_rating.groupby('category')
    .agg(count=('name','count'))
    .sort_values(by='count', ascending=False)
    .reset_index()
        )
total_categories = (
    df.groupby('category')
    .agg(total=('name','count'))
    .sort_values(by='total', ascending=False)
    .reset_index() 
)
best_categories = (
    best_categories.merge(total_categories, how='left', left_on='category', right_on='category')
    .reset_index(drop=True)
)
best_categories['share'] = round(best_categories['count'] * 100 / best_categories['total'], 2)    

display(best_categories.sort_values(by='share', ascending=False))


worst_categories = (
    worst_rating.groupby('category')
    .agg(count=('name','count'))
    .sort_values(by='count', ascending=False)
    .reset_index()
        )

worst_categories = (
    worst_categories.merge(total_categories, how='left', left_on='category', right_on='category')
    .reset_index(drop=True)
)
worst_categories['share'] = round(worst_categories['count'] * 100 / worst_categories['total'], 2)  

display(worst_categories.sort_values(by='share', ascending=False))


# отберем все кофейни в отдельный ДФ для дальнейшей работы
coffee_house = df.query('category == "кофейня"', engine='python').reset_index(drop=True)

print(f'В нашей базе данных {coffee_house.shape[0]} кофеен')

В нашей базе данных 1401 кофеен


print('Распределение кофеен по районам:')

display(
    coffee_house.groupby('district').agg(count=('name','count')).sort_values(by='count', ascending=False).reset_index()
)

Распределение кофеен по районам:


# ЭТО ЕСЛИ ФАЙЛ ЗАЛИТ В ДИРЕКТОРИЮ НА СЕРВЕР, А НЕ ПО ССЫЛКЕ URL
# import os

# # Показать текущую рабочую директорию
# print("Текущая рабочая директория:", os.getcwd())

# # Проверка существования файла в текущей рабочей директории
# file_path = "Category_Moscow_Metro_stations.gpx"
# if os.path.isfile(file_path):
#     print(f"Файл '{file_path}' найден в текущей рабочей директории.")
# else:
#     print(f"Файл '{file_path}' не найден в текущей рабочей директории.")
#     metro_url = 'https://geoexport.toolforge.org/gpx?coprimary=primary&titles=Category%3AMoscow+Metro+stations'
#     metro = requests.get(metro_url)

    
# metro_url = 'https://geoexport.toolforge.org/gpx?coprimary=primary&titles=Category%3AMoscow+Metro+stations'
# metro = requests.get(metro_url)


# import urllib.request
# import gpxpy
# import pandas as pd

# URL файла GPX
url = "https://geoexport.toolforge.org/gpx?coprimary=primary&titles=Category%3AMoscow+Metro+stations"

# Скачивание GPX файла
try:
    with urllib.request.urlopen(url) as response:
        gpx_data = response.read().decode()
        print("GPX файл загружен успешно.")
except Exception as e:
    print(f"Ошибка при загрузке файла: {e}")

# Проверка содержимого GPX файла
if gpx_data:
    print("GPX данные получены, длина данных:", len(gpx_data))
else:
    print("GPX данные не получены.")

# Разбор GPX файла
try:
    gpx = gpxpy.parse(gpx_data)
    print("GPX файл разобран успешно.")
except Exception as e:
    print(f"Ошибка при разборе GPX файла: {e}")

# Инициализация списков для данных
lats = []
lons = []
names = []

# Извлечение информации из waypoints
if gpx.waypoints:
    for waypoint in gpx.waypoints:
        lats.append(waypoint.latitude)
        lons.append(waypoint.longitude)
        names.append(waypoint.name if waypoint.name else "Unknown")

# Создание DataFrame из полученных данных
data = {
    'metro': names,
    'lat': lats,
    'lng': lons
}
df_metro = pd.DataFrame(data)

# Печать DataFrame для проверки
display(df_metro)

GPX файл загружен успешно.
GPX данные получены, длина данных: 165770
GPX файл разобран успешно.


# подготовим датафрейм со средними значениями рейтингов кофеен по районам
avg_capuccino_district = ( df.groupby('district')
                       .agg(district_coffee_cup=('middle_coffee_cup','mean'))
                       .reset_index()
                      )
display(avg_capuccino_district)


# Преобразуем данные о районе и средней стоимости кофе в словарь для быстрого поиска
cappuchino_dict = dict(zip(avg_capuccino_district['district'], avg_capuccino_district['district_coffee_cup']))

moscow_lat, moscow_lng = 55.751244, 37.618423
state_geo_url = 'https://code.s3.yandex.net/data-analyst/admin_level_geomap.geojson'

response = requests.get(state_geo_url)
state_geo = response.json()


# заносим в атрибут rating в JSON файл данные из нашего DF (средняя стоимость кофе),
# из словаря по ключу = название района (name = index)
for feature in state_geo['features']:
    district_name = feature['properties']['name']
    feature['properties']['rating'] = cappuchino_dict.get(district_name, 'Нет данных')

m = folium.Map(location=[moscow_lat, moscow_lng], zoom_start=10)

# сначала создаем FeatureGroup для кофеен
coffee_markers = FeatureGroup(name='Кофейни', overlay=True, control=True, show=True)

# затем привязываем к нему создаваемые кластеры
marker_cluster = MarkerCluster().add_to(coffee_markers)

# Создаем FeatureGroup для метро
metro_group = FeatureGroup(name='Метро')

# Создаем FeatureGroup для райнов
district_group = FeatureGroup(name='Район')

#------------------------------------------------------------------
# пишем функцию, которая принимает строку датафрейма,
# создаёт маркер в текущей точке и добавляет его в кластер marker_cluster
def create_clusters(row):
    
    # Создаем HTML-контент для pop-up, чтобы симпатичнее была представлена информация: название, рейтинг, категория заведения
    popup_html = f"""
    <b>{row['name']}</b><br>
    {row['rating']} &#9733;<br>
    {row['category']}
    """
    
    # Создаем и добавляем маркер к кластеру
    Marker(
        [row['lat'], row['lng']],
        popup=folium.Popup(popup_html, max_width=300)
    ).add_to(marker_cluster)
    
# применяем функцию create_clusters() к каждой строке датафрейма c нашими кофейнями
coffee_house.apply(create_clusters, axis=1)


# Создаем хороплет с районами
choropleth = Choropleth(
    geo_data=state_geo,
    data=avg_capuccino_district,
    columns=['district', 'district_coffee_cup'],
    key_on='feature.properties.name',
    fill_color='YlOrRd',
    fill_opacity=0.5,
    line_opacity=0.1,
    legend_name='Средняя цена капучино по районам',
).geojson.add_to(district_group)

# выводим данные о названии района и среднем кофе в поп-апе
folium.GeoJson(
    state_geo,
        style_function=lambda feature: {
        'fillColor': 'transparent',
        'color': 'transparent',
        'weight': 0
    },
    name="geojson",
    tooltip=folium.features.GeoJsonTooltip(
        fields=['name', 'rating'],
        aliases=['Район: ', 'Средняя цена капучино: '],
        localize=True
    ),
    popup=folium.GeoJsonPopup(
        fields=['name', 'rating'],
        aliases=['Район: ', 'Средняя цена капучино: '],
        localize=True
    )
).add_to(district_group) # помещаем в тот же слой для управления

# добавляем слой с районами и подписями на карту
district_group.add_to(m)

#------------------------------------------------------------------
# пишем функцию для создания маркеров метро
def create_metro_markers(row):
    # сохраняем URL-адрес изображения со значком метро с icons8,
    # это путь к файлу на сервере icons8
    icon_url = 'https://img.icons8.com/?size=100&id=0W3r2VtGfMg3&format=png&color=000000'  
    # создаём объект с собственной иконкой размером 15x15
    icon = CustomIcon(icon_url, icon_size=(15, 15))
    
    # создаём маркер с иконкой icon и добавляем его в metro_group
    Marker(
        [row['lat'], row['lng']],
        popup=f"{row['metro']}",
        icon=icon,
    ).add_to(metro_group)

# применяем функцию для создания маркеров метро к каждой строке датафрейма
df_metro.apply(create_metro_markers, axis=1)

# Добавляем metro_group на карту
metro_group.add_to(m)

# Добавляем districts_group на карту
district_group.add_to(m)

# Добавляем coffee_markers на карту
coffee_markers.add_to(m)

# Добавляем элемент управления слоями и указываем позицию
folium.LayerControl(position='topleft').add_to(m)
folium.TileLayer('Cartodb Positron',overlay=False, show=False, control = False).add_to(m)

# вариант добавления градиентной шкалы вручную - она не отображется, если хороплет добавлять в слой через geojson
colormap = linear.YlOrRd_09.scale(avg_capuccino_district['district_coffee_cup'].min(), avg_capuccino_district['district_coffee_cup'].max())
colormap = colormap.to_step(n=10)
colormap.caption = 'Средняя цена капучино по районам'
colormap.add_to(m)

# Создание HTML заголовка, в Folium не нашел готовый арибут title, как на графиках
# еще бы здорово было убрать вертикальную полосу прокрутки, сдвинуть заголовок вниз на карту и шкалу ниже опустить,
# но я потратил 2 дня на поиски решения без особого успеха
title_html = '''
             <div style="position: relative; width: 100%; background-color: transparent; z-index: 1000; text-align: center;">
                 <h3 style="margin: 0; padding: 10px; font: calibri, font-size: 20px;">
                 <b>Средняя цена капучино по районам Москвы</b></h3>
             </div>
             '''

# Добавление заголовка на карту
m.get_root().html.add_child(folium.Element(title_html))

# выводим карту
m


print('Распределение круглосуточных кофеен по районам:')

display(
    coffee_house.query('is_24_7 == True', engine='python').groupby('district').agg(count=('name','count')).sort_values(by='count', ascending=False).reset_index()
)

Распределение круглосуточных кофеен по районам:


central_5star_coffe_house = df.query('category == "кофейня" '
                                     'and district == "Центральный административный округ" '
                                     'and rating >= 4.5 ', engine='python'
                                     )

# Вывод статистического описания
central_5star_coffe_house.describe()

	name
7872	Чайхана София
479	Гурмэ Ланч
927	Китчен
24	Drive Café
4024	Слепой Пью
4293	Prime Mart
32	Додо Пицца
8078	Кафе В Нии
6715	Мясо-Шмясо
7576	Чайхана Нават

	name	records	sum_chain
0	#Кешбэккафе	1	0
1	+39 Pizzeria Mozzarella Bar	1	0
2	1 Этаж	1	0
3	1-Я Креветочная	1	1
4	10 Идеальных Пицц	3	3
...	...	...	...
5507	Ярославский	1	0
5508	Яръ	1	0
5509	Ясмин	1	0
5510	Ясно	1	0
5511	Яуза	1	0

	name	records	sum_chain
3	1-Я Креветочная	1	1
25	4 Сезона	1	1
118	Bakery	1	1
161	Bigсуши	1	1
506	Drive	1	1

	name	records	sum_chain
2828	Кафе	189	0
5322	Шаурма	43	0
4175	Ресторан	34	0
4567	Столовая	28	0
3157	Кофейня	12	0
...	...	...	...
2544	Донер Бистро	2	0
2679	Здоровое Питание	2	0
2871	Кафе Для Поминок	2	0
2947	Кафе Шашлык	2	0
2968	Кафе-Кулинария	2	0

	name	records	sum_chain
51	Abc Coffee Roasters	5	4
246	Burger Club	6	5
376	Coffee Point	3	2
598	Flip	3	2
856	Korean Chick	6	5
1048	More Poke	3	2
1106	Noba Coffee	5	4
1116	Nova Bubble Tea	3	2
1137	One Price Coffee	72	71
1139	One&Double	5	4
1197	Pho Street	4	3
1252	Poke House	3	2
1289	Raw To Go	3	2
1354	Sedelice	3	2
1414	Sova Coffee	3	2
1430	Star Hit Cafe	7	6
1648	Wave California Poke	3	2
1874	Ача-Чача	4	3
2392	Гриль Хаус	3	2
2535	Домино'С Пицца	77	76
2611	Ели Сацебели	3	2
2974	Кафе-Столовая	11	2
3374	Ливан Хаус	2	1
3417	Ля Фантази	6	5
3631	Мск Lounge	15	14
3962	Пирог Хауз	3	2
4141	Раковарня Клешни И Хвосты	3	2
4145	Рамен-Клаб	5	4
4333	Рэдимэйд	3	2
4543	Старый Город	3	2
4901	Франклинс Бургер	9	8
4944	Халва, Сеть Почтоматов	4	3
5022	Хинкальная Экспресс	2	1
5036	Хлеб Да Выпечка	3	2
5139	Чайхана Бишкек Сити	3	2
5333	Шаурма В Пите	4	3
5367	Шашлык Хаус	3	2
5389	Шашлычок	4	3

Проект анализа рынка заведений общественного питания Москвы.¶

Содержание

Загрузка и изучение данных¶

Предварительная обработка данных¶

Проверим записи на полные дубликаты:¶

Посмотрим на частичные дубликаты:¶

Корректировка написания названий заведений¶

Типы данных в колонках - какие из них следует поменять¶

Пропуски в столбцах¶

Создадим новый столбец с названиями улиц¶

Создим столбец с обозначением, что заведение работает ежедневно и круглосуточно (24/7)¶

Результаты предварительной обработки данных¶

Анализ данных¶

Исследуем, какие категории заведений представлены в данных и их количество¶

Посмотрим на распределение количества посадочных мест в целом¶

Теперь посмотрим на распределение количеств посадочных мест в каждом из типов заведения¶

Рассмотрим соотношение сетевых и несетевых заведений¶

Выясним, какие категории заведений чаще являются сетевыми?¶

Посмотрим на топ-15 популярных сетей в Москве¶

Выведем распределение средних рейтингов по категориям заведений¶

Посмотрим, как средний рейтинг заведений зависит от района¶

Отобразим все заведения датасета на карте¶

Посмотрим на самые насыщенные заведениями улицы¶

Найдем улицы, на которых находится только один объект общепита¶

Посмотрим на средний чек по районам города¶

Дополнительные исследования взаимосвязей¶

Итоги анализа данных¶

Детализируем исследование: открытие кофейни¶

Подведем итог¶

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
3756	Телебистро	кофейня	Москва, Никитский переулок, 7, стр. 2	Центральный административный округ	пн-пт 07:30–23:00; сб,вс 09:00–23:00	55.757742	37.610462	4.4	средние	Средний счёт:700–1000 ₽	850.0	NaN	0	32.0
6002	Цхалтубо	ресторан	Москва, улица Кржижановского, 20/30к1	Юго-Западный административный округ	пн-чт 11:30–23:30; пт,сб 11:30–00:00; вс 11:30...	55.679201	37.572020	4.6	NaN	NaN	NaN	NaN	0	NaN
3539	Академия	пиццерия	Москва, Большая Бронная улица, 2/6	Центральный административный округ	ежедневно, 10:00–23:00	55.760128	37.597432	4.4	высокие	Средний счёт:1500–2000 ₽	1750.0	NaN	1	43.0
1678	Шоколадница	кофейня	Москва, Бутырская улица, 7	Северный административный округ	ежедневно, 07:30–23:00	55.794423	37.583953	4.3	средние	Цена чашки капучино:239–274 ₽	NaN	256.0	1	25.0
4928	Pirogi-diana.ru	кафе	Москва, улица Большие Каменщики, 9, стр. Б	Центральный административный округ	ежедневно, 08:00–22:00	55.738539	37.655700	4.4	NaN	NaN	NaN	NaN	0	NaN

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
1442	Abc Coffee Roasters	кофейня	Москва, Ленинградский проспект, 72, корп. 1	Северный административный округ	пн-пт 08:00–22:00; сб,вс 10:00–22:00	55.805547	37.520395	4.5	средние	Цена чашки капучино:220–270 ₽	NaN	245.0	True	625
3813	Abc Coffee Roasters	кофейня	Москва, Большая Никитская улица, 19/16с1	Центральный административный округ	пн-пт 08:00–22:00; сб,вс 10:00–22:00	55.757162	37.600701	4.4	NaN	NaN	NaN	NaN	True	0
4163	Abc Coffee Roasters	кофейня	Москва, Усачёва улица, 11И	Центральный административный округ	пн-пт 08:00–22:00; сб,вс 10:00–22:00	55.727530	37.570567	4.4	NaN	NaN	NaN	NaN	True	0
4696	Abc Coffee Roasters	кофейня	Москва, улица Покровка, 7/9-11к1, подъезд 10	Центральный административный округ	пн-пт 08:00–22:00; сб,вс 10:00–22:00	55.759012	37.642190	4.4	NaN	NaN	NaN	NaN	True	0
5156	Abc Coffee Roasters	кофейня	Москва, Ордынский тупик, 4А	Центральный административный округ	пн-пт 08:00–22:00; сб,вс 10:00–22:00	55.741026	37.623384	4.5	NaN	NaN	NaN	NaN	True	0

	price
name
18 Грамм	средние
7 Сэндвичей	средние
Abc Coffee Roasters	средние
Air Coffee	средние
Americano Black Coffee & Food	средние
...	...
Эзо	выше среднего
Эль Кафе	низкие
Южный Дворик	средние
Юрта	средние
Ян Примус	выше среднего

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats	price_category_numeric	category_numeric	district_numeric
0	Wowфли	кафе	Москва, улица Дыбенко, 7/1	Северный административный округ	ежедневно, 10:00–22:00	55.878494	37.478860	5.0	NaN	NaN	NaN	NaN	False	0	NaN	1	1
1	Четыре Комнаты	ресторан	Москва, улица Дыбенко, 36, корп. 1	Северный административный округ	ежедневно, 10:00–22:00	55.875801	37.484479	4.5	выше среднего	Средний счёт:1500–1600 ₽	1550.0	NaN	False	4	3.0	2	1
2	Хазри	кафе	Москва, Клязьминская улица, 15	Северный административный округ	пн-чт 11:00–02:00; пт,сб 11:00–05:00; вс 11:00...	55.889146	37.525901	4.6	средние	Средний счёт:от 1000 ₽	1000.0	NaN	False	45	2.0	1	1
3	Dormouse Coffee Shop	кофейня	Москва, улица Маршала Федоренко, 12	Северный административный округ	ежедневно, 09:00–22:00	55.881608	37.488860	5.0	NaN	Цена чашки капучино:155–185 ₽	NaN	170.0	False	0	NaN	3	1
4	Иль Марко	пиццерия	Москва, Правобережная улица, 1Б	Северный административный округ	ежедневно, 10:00–22:00	55.881166	37.449357	5.0	средние	Средний счёт:400–600 ₽	500.0	NaN	True	148	2.0	4	1

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats	price_category_numeric	category_numeric	district_numeric
27	Шаурму Х@Чу	быстрое питание	Москва, улица Дыбенко, 7, стр. 1	Северный административный округ	пн-пт 08:00–22:00; сб,вс 10:00–22:00	55.879324	37.480280	4.1	NaN	Средний счёт:от 240 ₽	240.0	NaN	False	4	NaN	6	1
49	2U-Ту-Ю	пиццерия	Москва, Ижорская улица, 8А	Северный административный округ	ежедневно, круглосуточно	55.886160	37.508784	2.7	NaN	Средний счёт:900 ₽	900.0	NaN	False	0	NaN	4	1
84	Meat Doner Kebab	булочная	Москва, улица Лескова, 22	Северо-Восточный административный округ	ежедневно, круглосуточно	55.896987	37.608126	4.5	NaN	Средний счёт:300 ₽	300.0	NaN	False	0	NaN	7	2
113	Bowl Family	кафе	Москва, улица Лескова, 14	Северо-Восточный административный округ	ежедневно, 10:00–22:00	55.897525	37.604924	4.1	NaN	Средний счёт:700–800 ₽	750.0	NaN	True	0	NaN	1	2
124	Шашлык Хаус	кафе	Москва, Дмитровское шоссе, 107, корп. 4	Северный административный округ	ежедневно, 10:00–22:00	55.879787	37.539702	4.2	NaN	Средний счёт:от 200 ₽	200.0	NaN	True	79	NaN	1	1
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
8347	Compass Coffee&Bakery	кафе	Москва, Окская улица, 1, корп. 1	Юго-Восточный административный округ	пн-пт 10:00–22:00; сб,вс 11:00–22:00	55.712435	37.752065	4.0	NaN	Средний счёт:300–400 ₽	350.0	NaN	False	80	NaN	1	7
8366	Ситипицца	пиццерия	Москва, Ферганская улица, 12	Юго-Восточный административный округ	ежедневно, 10:00–23:00	55.708143	37.808957	4.2	NaN	Средний счёт:300–700 ₽	500.0	NaN	False	4	NaN	4	7
8383	Pizza24/7	пиццерия	Москва, улица Юных Ленинцев, 10/15к1	Юго-Восточный административный округ	ежедневно, круглосуточно	55.698824	37.738878	4.2	NaN	Средний счёт:150 ₽	150.0	NaN	False	0	NaN	4	7
8399	Пекарня, Кафе-Гриль	булочная	Москва, Болотниковская улица, 52, корп. 2	Юго-Западный административный округ	ежедневно, круглосуточно	55.662866	37.582572	4.2	NaN	Средний счёт:50–250 ₽	150.0	NaN	False	50	NaN	7	9
8403	Самовар	кафе	Москва, Люблинская улица, 112А, стр. 1	Юго-Восточный административный округ	ежедневно, круглосуточно	55.648859	37.743219	3.9	NaN	Средний счёт:от 150 ₽	150.0	NaN	False	150	NaN	1	7

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats	category_numeric	district_numeric	street
6247	Чайхана Зейтун	кафе	Москва, Малая Тульская улица, 57, корп. 1	Южный административный округ	ежедневно, 09:00–00:00	55.700980	37.616678	4.0	средние	Средний счёт:300–600 ₽	450.0	NaN	False	0	1	8	Малая Тульская улица
4557	Контрразведка	бар,паб	Москва, Новая площадь, 10	Центральный административный округ	пн-пт 12:00–00:00; сб,вс 12:00–06:00	55.758048	37.627392	4.8	NaN	NaN	NaN	NaN	False	120	5	5	Новая площадь
4627	Cups&Hugs	кофейня	Москва, Орликов переулок, 6	Центральный административный округ	пн-пт 08:00–20:00; сб 09:00–18:00	55.771137	37.648465	4.2	средние	Средний счёт:200–350 ₽	275.0	NaN	False	40	3	5	Орликов переулок
1477	Хлеб Насущный	булочная	Москва, улица Авиаконструктора Микояна, 12	Северный административный округ	пн-пт 07:00–21:00; сб,вс 08:00–18:00	55.792487	37.527582	4.3	NaN	NaN	NaN	NaN	True	30	7	1	улица Авиаконструктора Микояна
8228	Волчок	кафе	Москва, проспект Андропова, 18, корп. 9	Южный административный округ	NaN	55.691734	37.660548	4.6	NaN	NaN	NaN	NaN	False	0	1	8	проспект Андропова

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats	category_numeric	district_numeric	street
10	Great Room Bar	бар,паб	Москва, Левобережная улица, 12	Северный административный округ	ежедневно, круглосуточно	55.877832	37.469171	4.5	средние	Цена бокала пива:250–350 ₽	NaN	NaN	False	102	5	1	Левобережная улица
17	Чайхана Беш-Бармак	ресторан	Москва, Ленинградское шоссе, 71Б, стр. 2	Северный административный округ	ежедневно, круглосуточно	55.876908	37.449876	4.4	средние	Средний счёт:350–500 ₽	425.0	NaN	False	96	2	1	Ленинградское шоссе
19	Пекарня	булочная	Москва, Ижорский проезд, 5	Северный административный округ	ежедневно, круглосуточно	55.887969	37.515688	4.4	NaN	NaN	NaN	NaN	True	0	7	1	Ижорский проезд
24	Drive Café	кафе	Москва, улица Дыбенко, 9Ас1	Северный административный округ	ежедневно, круглосуточно	55.879992	37.481571	4.0	NaN	NaN	NaN	NaN	True	0	1	1	улица Дыбенко
49	2U-Ту-Ю	пиццерия	Москва, Ижорская улица, 8А	Северный административный округ	ежедневно, круглосуточно	55.886160	37.508784	2.7	выше среднего	Средний счёт:900 ₽	900.0	NaN	False	0	4	1	Ижорская улица
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
8394	Намангале	кафе	Москва, Ферганская улица, вл17-21	Юго-Восточный административный округ	ежедневно, круглосуточно	55.705332	37.819244	4.3	NaN	NaN	NaN	NaN	False	0	1	7	Ферганская улица
8399	Пекарня, Кафе-Гриль	булочная	Москва, Болотниковская улица, 52, корп. 2	Юго-Западный административный округ	ежедневно, круглосуточно	55.662866	37.582572	4.2	низкие	Средний счёт:50–250 ₽	150.0	NaN	False	50	7	9	Болотниковская улица
8403	Самовар	кафе	Москва, Люблинская улица, 112А, стр. 1	Юго-Восточный административный округ	ежедневно, круглосуточно	55.648859	37.743219	3.9	низкие	Средний счёт:от 150 ₽	150.0	NaN	False	150	1	7	Люблинская улица
8404	Чайхана Sabr	кафе	Москва, Люблинская улица, 112А, стр. 1	Юго-Восточный административный округ	ежедневно, круглосуточно	55.648849	37.743222	4.2	средние	NaN	NaN	NaN	True	150	1	7	Люблинская улица
8405	Kebab Time	кафе	Москва, Россошанский проезд, 6	Южный административный округ	ежедневно, круглосуточно	55.598229	37.604702	3.9	NaN	NaN	NaN	NaN	False	12	1	8	Россошанский проезд

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats	category_numeric	district_numeric	street	is_24_7
1318	Jeffrey’S Coffeeshop	кофейня	Москва, Волоколамское шоссе, 11, стр. 2	Северный административный округ	пн-пт 09:00–18:00; сб 09:00–15:00	55.806194	37.497629	4.3	NaN	NaN	NaN	NaN	False	188	3	1	Волоколамское шоссе	False
5496	Домино'С Пицца	пиццерия	Москва, Вешняковская улица, 17Б	Восточный административный округ	ежедневно, 11:00–00:00	55.734511	37.832248	4.2	средние	Средний счёт:от 500 ₽	500.0	NaN	True	14	4	6	Вешняковская улица	False
1673	Суши Пятница	кафе	Москва, Тимирязевская улица, 11	Северный административный округ	ежедневно, 10:00–23:00	55.809741	37.569163	4.4	средние	Средний счёт:300–650 ₽	475.0	NaN	False	50	1	1	Тимирязевская улица	False
2503	Бистро	кафе	Москва, Сокольническая площадь, 4к1-2	Восточный административный округ	ежедневно, круглосуточно	55.789802	37.678150	4.1	NaN	NaN	NaN	NaN	False	0	1	6	Сокольническая площадь	True
6964	Lunch&Box	столовая	Москва, Профсоюзная улица, 65, корп. 1	Юго-Западный административный округ	пн-пт 08:00–20:00	55.653225	37.538190	4.2	средние	Средний счёт:от 300 ₽	300.0	NaN	False	150	8	9	Профсоюзная улица	False
1749	Sattva	ресторан	Москва, Ленинградский проспект, 52	Северный административный округ	ежедневно, 10:00–23:00	55.797490	37.540197	4.4	средние	Средний счёт:400–1500 ₽	950.0	NaN	True	0	2	1	Ленинградский проспект	False
3703	Brodo Bar & Kitchen	ресторан	Москва, Петровский бульвар, 2	Центральный административный округ	ежедневно, 12:00–00:00	55.767846	37.614555	4.9	высокие	Средний счёт:1500–2000 ₽	1750.0	NaN	False	0	2	5	Петровский бульвар	False
8034	Чудо-Печка	столовая	Москва, улица Трофимова, 33	Юго-Восточный административный округ	пн-пт 08:00–00:00; сб 09:00–00:00; вс 09:30–00:00	55.703444	37.683444	4.4	средние	Средний счёт:300–350 ₽	325.0	NaN	False	40	8	7	улица Трофимова	False
7186	Fast Шашлык	ресторан	Москва, Каширское шоссе, 25Б	Южный административный округ	ежедневно, 09:00–22:00	55.656372	37.647862	3.2	NaN	NaN	NaN	NaN	False	24	2	8	Каширское шоссе	False
4511	Гамбринус	бар,паб	Москва, Большая Спасская улица, 29	Центральный административный округ	пн-пт 11:00–00:00; сб,вс 12:00–00:00	55.776424	37.643578	4.7	выше среднего	NaN	NaN	NaN	True	0	5	5	Большая Спасская улица	False

	name	category	address	seats
6641	One Price Coffee	кофейня	Москва, проспект Вернадского, 84, стр. 1	1288.0
6684	Пивной Ресторан	бар,паб	Москва, проспект Вернадского, 121, корп. 1	1288.0
6524	Ян Примус	ресторан	Москва, проспект Вернадского, 121, корп. 1	1288.0
6838	Alternative Coffee	кофейня	Москва, проспект Вернадского, 41, стр. 1	1288.0
6808	Яндекс Лавка	ресторан	Москва, проспект Вернадского, 51, стр. 1	1288.0
6518	Delonixcafe	ресторан	Москва, проспект Вернадского, 94, корп. 1	1288.0
6658	Гудбар	бар,паб	Москва, проспект Вернадского, 97, корп. 1	1288.0
6574	Мюнгер	пиццерия	Москва, проспект Вернадского, 97, корп. 1	1288.0
6807	Loft-Cafe Академия	кафе	Москва, проспект Вернадского, 84, стр. 1	1288.0
6771	Точка	кафе	Москва, проспект Вернадского, 84, стр. 1	1288.0
6690	Японская Кухня	ресторан	Москва, проспект Вернадского, 121, корп. 1	1288.0
4231	Рестобар Argomento	столовая	Москва, Кутузовский проспект, 41, стр. 1	1200.0
2722	Маргарита	быстрое питание	Москва, Измайловское шоссе, 71, корп. А	1040.0
2713	Ваня И Гоги	бар,паб	Москва, Измайловское шоссе, 71, корп. А	1040.0
2966	Матрешка	кафе	Москва, Измайловское шоссе, 71, корп. А	1040.0
2770	Шоколадница	кофейня	Москва, Измайловское шоссе, 71, корп. А	1040.0
4245	Стейк & Бургер	кафе	Москва, Киевская улица, 2	920.0
4180	Eataly	бар,паб	Москва, Киевская улица, 2	920.0
5486	Дом	кафе	Москва, улица Юности, 1	760.0
7987	Ресторан	ресторан	Москва, улица Маршала Захарова, 6, корп. 1	675.0
2913	Хаус Бар	бар,паб	Москва, Измайловское шоссе, 71, корп. 2Б	660.0
2901	Ресторан Тройка	бар,паб	Москва, Измайловское шоссе, 71, корп. 2Б	660.0
5835	Lyanson’S Coffee	кафе	Москва, Мичуринский проспект, 27, корп. 1	650.0
5758	Шоколадница	кофейня	Москва, Мичуринский проспект, 22, корп. 1	650.0
5738	Университетское	кофейня	Москва, Мичуринский проспект, 8, стр. 1	650.0
5720	Ресторан Китайской Кухни Чуаньюй	ресторан	Москва, Мичуринский проспект, 7, корп. 1	650.0
5655	The Fox Pub	бар,паб	Москва, Мичуринский проспект, 22, корп. 1	650.0
5841	For Your Kids	кафе	Москва, Мичуринский проспект, 58, корп. 1	650.0
6548	Vibes Cafe	кафе	Москва, улица Миклухо-Маклая, 6	644.0
6696	Кабул	ресторан	Москва, улица Миклухо-Маклая, 6	644.0

	street	seats	count
1614	проспект Вернадского	1288.0	11
697	Кутузовский проспект	1200.0	1
549	Измайловское шоссе	1040.0	4
593	Киевская улица	920.0	2
2218	улица Юности	760.0	1
1938	улица Маршала Захарова	675.0	1
548	Измайловское шоссе	660.0	2
866	Мичуринский проспект	650.0	6
1976	улица Миклухо-Маклая	644.0	2
726	Ленинградский проспект	625.0	23
1788	улица Гарибальди	600.0	1
2140	улица Сталеваров	585.0	2
1535	Ярославское шоссе	500.0	3
442	Грайвороновская улица	500.0	1
774	Лесная улица	500.0	16
1293	Старая Басманная улица	500.0	1
764	Ленинский проспект	495.0	6
1752	улица Вавилова	491.0	2
1023	Олимпийский проспект	481.0	2
1687	улица Арбат	480.0	13

	category	chain_outlets	total_outlets	share
0	кафе	755	2366	31.91
1	ресторан	726	2031	35.75
2	кофейня	713	1401	50.89
3	бар,паб	164	756	21.69
4	пиццерия	324	629	51.51
5	быстрое питание	234	602	38.87
6	столовая	85	313	27.16
7	булочная	155	255	60.78

	category	count_24_7	count_total	share
1	быстрое питание	150	602	24.92
0	кафе	266	2366	11.24
6	булочная	24	255	9.41
4	бар,паб	52	756	6.88
2	ресторан	133	2031	6.55
5	пиццерия	31	629	4.93
3	кофейня	59	1401	4.21
7	столовая	12	313	3.83

	category	count	total	share
0	кофейня	37	1401	2.64
1	кафе	30	2366	1.27
4	пиццерия	7	629	1.11
5	быстрое питание	6	602	1.00
3	бар,паб	7	756	0.93
2	ресторан	15	2031	0.74
6	столовая	2	313	0.64
7	булочная	1	255	0.39

	category	count	total	share
0	кафе	32	2366	1.35
2	быстрое питание	7	602	1.16
4	столовая	3	313	0.96
3	бар,паб	5	756	0.66
1	ресторан	13	2031	0.64
5	булочная	1	255	0.39
7	пиццерия	1	629	0.16
6	кофейня	1	1401	0.07

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats	category_numeric	district_numeric	street	is_24_7
1326	Нам	бар,паб	Москва, Ленинградский проспект, 69, стр. 1	Северный административный округ	ежедневно, 11:00–21:00	55.803236	37.517898	4.2	NaN	NaN	NaN	NaN	True	625.0	5	1	Ленинградский проспект	False
1351	Максима Пицца	пиццерия	Москва, Ленинградский проспект, 78, корп. 1	Северный административный округ	пн-пт 09:00–00:00; сб,вс 10:00–00:00	55.805807	37.513994	4.3	выше среднего	Средний счёт:1500–1800 ₽	1650.0	NaN	False	625.0	4	1	Ленинградский проспект	False
1355	Страдивари	ресторан	Москва, Ленинградский проспект, 77, корп. 1	Северный административный округ	ежедневно, 11:00–23:00	55.804980	37.509454	4.2	выше среднего	Средний счёт:1000–2000 ₽	1500.0	NaN	True	625.0	2	1	Ленинградский проспект	False
1367	Академия	пиццерия	Москва, Ленинградский проспект, 72, корп. 1	Северный административный округ	пн-пт 09:00–23:00; сб,вс 11:00–23:00	55.805579	37.520086	4.2	средние	Средний счёт:1000–1200 ₽	1100.0	NaN	True	625.0	4	1	Ленинградский проспект	False
1380	Север-Метрополь	кофейня	Москва, Ленинградский проспект, 75, корп. 1	Северный административный округ	ежедневно, 09:00–21:00	55.804940	37.512423	4.6	NaN	NaN	NaN	NaN	True	625.0	3	1	Ленинградский проспект	False
1385	Чайхона На Соколе	кафе	Москва, Ленинградский проспект, 69, стр. 1	Северный административный округ	ежедневно, 08:00–23:00	55.803236	37.517931	4.3	средние	Средний счёт:400–800 ₽	600.0	NaN	False	625.0	1	1	Ленинградский проспект	False
1393	Кулинарная Лавка Братьев Караваевых	кафе	Москва, Ленинградский проспект, 72, корп. 1	Северный административный округ	ежедневно, 08:00–23:00	55.805791	37.520339	4.3	средние	Средний счёт:500–800 ₽	650.0	NaN	True	625.0	1	1	Ленинградский проспект	False
1442	Abc Coffee Roasters	кофейня	Москва, Ленинградский проспект, 72, корп. 1	Северный административный округ	пн-пт 08:00–22:00; сб,вс 10:00–22:00	55.805547	37.520395	4.5	средние	Цена чашки капучино:220–270 ₽	NaN	245.0	True	625.0	3	1	Ленинградский проспект	False
1446	9 Bar Coffee	кофейня	Москва, Ленинградский проспект, 80, корп. 1	Северный административный округ	пн-пт 07:30–21:00; сб,вс 07:30–19:00	55.810352	37.506625	4.3	NaN	Цена чашки капучино:60–150 ₽	NaN	105.0	True	625.0	3	1	Ленинградский проспект	False
1464	Находка	ресторан	Москва, Ленинградский проспект, 74, корп. 1	Северный административный округ	ежедневно, 09:00–22:00	55.804972	37.517319	4.9	NaN	NaN	NaN	NaN	True	625.0	2	1	Ленинградский проспект	False
1475	Falko Pizza	пиццерия	Москва, Ленинградский проспект, 80, корп. 1	Северный административный округ	пн-сб 09:30–20:30	55.810617	37.508490	4.3	средние	Средний счёт:500–1500 ₽	1000.0	NaN	False	625.0	4	1	Ленинградский проспект	False
1498	Brooklyn Coffee	кофейня	Москва, Ленинградский проспект, 78, корп. 1	Северный административный округ	пн-пт 07:00–21:00; сб,вс 09:00–20:00	55.805743	37.514283	4.0	NaN	Цена чашки капучино:60–150 ₽	NaN	105.0	False	625.0	3	1	Ленинградский проспект	False
1548	French Bakery	кафе	Москва, Ленинградский проспект, 74, корп. 1	Северный административный округ	пн-пт 07:30–23:00; сб 08:00–22:00; вс 09:00–21:00	55.805133	37.516952	3.4	низкие	NaN	NaN	NaN	True	625.0	1	1	Ленинградский проспект	False
1672	Ача-Чача	ресторан	Москва, Ленинградский проспект, 9Б, стр. 1	Северный административный округ	ежедневно, 12:00–00:00	55.780576	37.574727	4.6	высокие	Средний счёт:1500–2000 ₽	1750.0	NaN	True	625.0	2	1	Ленинградский проспект	False
1766	Золотая Бухара	ресторан	Москва, Ленинградский проспект, 48, подъезд 1	Северный административный округ	ежедневно, 12:00–23:00	55.796294	37.542917	4.4	NaN	NaN	NaN	NaN	False	625.0	2	1	Ленинградский проспект	False
1826	Волконский	булочная	Москва, Ленинградский проспект, 29, корп. 1	Северный административный округ	ежедневно, 08:00–22:00	55.785088	37.562647	4.4	NaN	NaN	NaN	NaN	True	625.0	7	1	Ленинградский проспект	False
1838	Take And Wake	кофейня	Москва, Ленинградский проспект, 31А, стр. 1	Северный административный округ	пн-пт 08:00–20:00; сб,вс 09:00–19:00	55.783494	37.559933	4.5	низкие	Цена чашки капучино:120–190 ₽	NaN	155.0	True	625.0	3	1	Ленинградский проспект	False
1867	Vasilchukí Chaihona №1	ресторан	Москва, Ленинградский проспект, 31А, стр. 1	Северный административный округ	пн-чт 11:00–00:00; пт,сб 11:00–01:00; вс 11:00...	55.783590	37.560170	4.3	выше среднего	Средний счёт:от 1500 ₽	1500.0	NaN	True	625.0	2	1	Ленинградский проспект	False
1880	Чайхона Айва	кафе	Москва, Ленинградский проспект, 45, корп. 1	Северный административный округ	ежедневно, круглосуточно	55.798882	37.533990	4.3	выше среднего	NaN	NaN	NaN	True	625.0	1	1	Ленинградский проспект	True
2010	Coffeeteabar	кофейня	Москва, Ленинградский проспект, 60, корп. 1	Северный административный округ	пн-пт 07:30–20:30; сб 07:30–19:30; вс 08:30–19:30	55.799751	37.535100	4.4	низкие	Цена чашки капучино:150–210 ₽	NaN	180.0	False	625.0	3	1	Ленинградский проспект	False
2035	Столичный Вкус	столовая	Москва, Ленинградский проспект, 35, стр. 1	Северный административный округ	пн-пт 09:00–17:00	55.789750	37.552723	4.1	средние	NaN	NaN	NaN	True	625.0	8	1	Ленинградский проспект	False
2087	Лобби-Бар Манжо	бар,паб	Москва, Ленинградский проспект, 31А, стр. 1	Северный административный округ	пн-пт 08:30–20:00	55.783622	37.559943	4.0	средние	Средний счёт:500 ₽	500.0	NaN	False	625.0	5	1	Ленинградский проспект	False
2104	Ванильное Небо	кофейня	Москва, Ленинградский проспект, 31А, стр. 1	Северный административный округ	пн-пт 08:00–20:00; сб 09:00–18:00	55.784066	37.559398	3.7	средние	Средний счёт:400 ₽	400.0	NaN	True	625.0	3	1	Ленинградский проспект	False

	category	median
6	ресторан	87.5
0	бар,паб	80.0
4	кофейня	80.0
7	столовая	76.0
2	быстрое питание	75.0
3	кафе	60.0
5	пиццерия	55.0
1	булочная	51.0

	category	avg_rating
0	быстрое питание	4.049834
1	кафе	4.124007
2	столовая	4.211821
3	булочная	4.267843
4	кофейня	4.277373
5	ресторан	4.289808
6	пиццерия	4.300636
7	бар,паб	4.390079

	district	district_rating
0	Восточный административный округ	4.174589
1	Западный административный округ	4.179904
2	Северный административный округ	4.238997
3	Северо-Восточный административный округ	4.148260
4	Северо-Западный административный округ	4.208802
5	Центральный административный округ	4.377520
6	Юго-Восточный административный округ	4.101120
7	Юго-Западный административный округ	4.172419
8	Южный административный округ	4.184063

	street	count
0	проспект Мира	184
1	Профсоюзная улица	122
2	Ленинский проспект	107
3	проспект Вернадского	97
4	Дмитровское шоссе	88
5	Каширское шоссе	77
6	Варшавское шоссе	76
7	Ленинградский проспект	72
8	Ленинградское шоссе	70
9	МКАД	65
10	Люблинская улица	60
11	улица Вавилова	55
12	Кутузовский проспект	53
13	Пятницкая улица	48
14	улица Миклухо-Маклая	47

category	street	бар,паб	булочная	быстрое питание	кафе	кофейня	пиццерия	ресторан	столовая
0	Варшавское шоссе	6.0	NaN	7.0	18.0	14.0	4.0	20.0	7.0
1	Дмитровское шоссе	6.0	2.0	10.0	23.0	11.0	8.0	24.0	4.0
2	Каширское шоссе	2.0	NaN	10.0	20.0	16.0	5.0	19.0	5.0
3	Кутузовский проспект	2.0	1.0	2.0	14.0	13.0	3.0	16.0	2.0
4	Ленинградский проспект	13.0	3.0	2.0	8.0	18.0	6.0	20.0	2.0
5	Ленинградское шоссе	5.0	2.0	5.0	13.0	13.0	3.0	26.0	3.0
6	Ленинский проспект	10.0	3.0	2.0	26.0	23.0	5.0	33.0	5.0
7	Люблинская улица	5.0	NaN	5.0	26.0	11.0	1.0	10.0	2.0
8	МКАД	1.0	NaN	9.0	45.0	4.0	NaN	5.0	1.0
9	Профсоюзная улица	6.0	4.0	15.0	35.0	18.0	15.0	26.0	3.0
10	Пятницкая улица	9.0	3.0	2.0	7.0	6.0	3.0	18.0	NaN
11	проспект Вернадского	5.0	1.0	12.0	23.0	14.0	11.0	29.0	2.0
12	проспект Мира	12.0	4.0	21.0	53.0	36.0	11.0	45.0	2.0
13	улица Вавилова	2.0	2.0	11.0	15.0	10.0	3.0	12.0	NaN
14	улица Миклухо-Маклая	3.0	NaN	4.0	20.0	4.0	2.0	14.0	NaN

	district	count_24_7	count_total	share
2	Юго-Восточный административный округ	93	714	13.03
1	Восточный административный округ	97	791	12.26
8	Северо-Западный административный округ	43	409	10.51
5	Юго-Западный административный округ	73	707	10.33
3	Северо-Восточный административный округ	75	891	8.42
4	Южный административный округ	75	891	8.42
6	Западный административный округ	70	831	8.42
7	Северный административный округ	70	877	7.98
0	Центральный административный округ	131	2242	5.84

	metro	lat	lng
0	Aeroport (Moscow Metro)	55.800300	37.532900
1	Aeroport Vnukovo (Moscow Metro)	55.606667	37.288333
2	Akademicheskaya (Kaluzhsko-Rizhskaya line)	55.687700	37.573300
3	Aleksandrovsky Sad (Moscow Metro)	55.752500	37.608500
4	Alekseyevskaya (Moscow Metro)	55.808800	37.639000
...	...	...	...
610	Ugreshskaya	55.718500	37.697600
611	Verkhniye Kotly	55.690200	37.619300
612	Vladykino (Moscow Central Circle)	55.847400	37.592600
613	ZIL (Moscow Central Circle)	55.697800	37.647400
614	Zorge (Moscow Central Circle)	55.787800	37.504500

	district	district_coffee_cup
0	Восточный административный округ	174.023810
1	Западный административный округ	188.285714
2	Северный административный округ	165.583333
3	Северо-Восточный административный округ	165.333333
4	Северо-Западный административный округ	160.458333
5	Центральный административный округ	188.210843
6	Юго-Восточный административный округ	150.771429
7	Юго-Западный административный округ	183.485714
8	Южный административный округ	157.826087

	index	lat	lng	rating	middle_avg_bill	middle_coffee_cup	seats	category_numeric	district_numeric
count	105.000000	105.000000	105.000000	105.000000	21.000000	42.000000	47.000000	105.0	105.0
mean	4005.180952	55.757886	37.625115	4.645714	874.047619	209.023810	97.319149	3.0	5.0
std	1047.029037	0.017588	0.031528	0.150658	693.771611	45.684757	77.144727	0.0	0.0
min	1681.000000	55.713716	37.550790	4.500000	0.000000	149.000000	3.000000	3.0	5.0
25%	3538.000000	55.743438	37.601427	4.500000	400.000000	171.750000	36.500000	3.0	5.0
50%	4410.000000	55.759976	37.627119	4.600000	500.000000	197.500000	85.000000	3.0	5.0
75%	4818.000000	55.771566	37.645842	4.700000	1250.000000	250.000000	149.000000	3.0	5.0
max	6202.000000	55.786824	37.697890	5.000000	2500.000000	300.000000	295.000000	3.0	5.0